整合动态SOFA变化和年龄来预测ICU患者的28天死亡率:一个名ogram和机器学习验证研究
1Department of Pulmonary and Critical Care Medicine, Longgang Central Hospital of Shenzhen, Shenzhen, Guangdong, China.
顺序性器官衰竭评估 (SOFA) 评分的动态变化与年龄相结合,可显著改善危急病患者的预后预测. 一个名图和XGBoost模型显示了早期风险分层的前景.
科学领域:
- 关键护理医学 关键护理医学
- 预测模型的预测建模
- 医疗信息学 医疗信息学
背景情况:
- 序列器官衰竭评估 (SOFA) 评分是重症患者的标准预后工具.
- 动态SOFA分数变化 (ΔSOFA) 的预测值及其融入预测模型需要进一步研究.
研究的目的:
- 为了评估动态SOFA变化 (ΔSOFA 3-1) 与基线SOFA分数 (SOFA 1) 和年龄相结合的预后值.
- 开发和验证使用这些参数对患者结果的预测模型 (nomogram和XGBoost).
主要方法:
- 对665名ICU患者的回顾性分析,收集初始和每日SOFA分数 (1-3天) 和人口统计数据.
- 开发一个整合SOFA 1, ΔSOFA 3-1 和年龄的名图,以及使用相同预测因子的XGBoost模型.
- 评估模型的区分能力和校准,并使用MIMIC-IV数据库进行外部验证.
主要成果:
- 较高的SOFA 1和 ΔSOFA 3-1分数增加了死亡率.
- 命名图表显示出高分辨能力 (C指数~0.85),XGBoost模型在内部实现了0.833的AUC,在独立测试队列中达到0.863.
- ΔSOFA 3-1 被确定为跨模型和数据集最有影响力的预测因素.
结论:
- 动态SOFA变化 (ΔSOFA 3-1),特别是在基线SOFA 1评分中度的患者 (4-11),与年龄相结合时显著提高预后准确性.
- 命名图为风险分层提供了一个实用的床头工具,而XGBoost模型强调了机器学习的潜力.
- 外部验证表明需要进行多中心研究,以提高模型的通用性.
更多相关视频
06:46Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
Published on: September 27, 2024
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Reliability and Validity
Pharmacodynamics in Geriatric Patients: Effects of Age
Pharmacokinetics in Geriatric Patients: Effect of Age on Drug Absorption
Pharmacokinetics in Geriatric Patients: Effect of Age on Drug Distribution
Pharmacokinetics in Geriatric Patients: Effect of Age on Drug Metabolism
Pharmacokinetics in Geriatric Patients: Effect of Age on Drug Excretion
